人工智能在低盐度混合化学驱机理建模和生产预测中的应用

• 作者: Arash Mirzabozorg Chaodong Yang Computer Modelling Group Ltd. Cuong Dang Emre Gorucu Eugene Fedutenko Long Nghiem
• 来源期刊: 石油科技动态
• 年，卷（期）: 2019,（6）
• 页码范围: 77-92
• 页数: 16页
• 语种: 中文

摘要

经过近三十年的研究和发展,现在普遍认为,在提高采收率方面,低盐度水驱(LSW)比高盐度水驱(HSW)的效果要好.以往的研究还表明,将低盐度水驱(LSW)与化学驱(如聚合物驱、表面活性剂驱)或混相气驱等常规提高采收率(EOR)方法相结合,发挥两者的协同作用,不仅可以提高采收率,而且还可以提高项目的经济效益,具有显著的优势.本文将混合低盐度化学驱作为一种新的提高采收率方法进行了研究,主要包括以下内容:(1)总结了近几十年来混合提高采收率概念的发展历程;(2)基于人工智能技术,为理清复杂的提高采收率技术的机理,建立了一套有效的建模方法;(3)结合实验室数据,进行方法的可行性分析和模型验证;(4)在油藏尺度条件下,开展了低盐度水驱(LSW)的不确定性评价.首先模拟了油-水-微乳液体系的相态变化,基于相态变化的认识,认为无需对Ⅲ型微乳液进行建模.这种建模方法已成功地应用于常规EOR技术(如碱-表面活性剂-聚合物(ASP)驱油),以及新兴的EOR技术(如低盐度水驱(LSW)、碱-共溶剂-聚合物驱和低表面张力气驱)的建模.这种建模方法结合了低盐度水驱(LSW)和化学EOR技术的优势,能够进行相应的机理模拟.影响低盐度混合化学驱机理建模精度的因素比较多,如相对渗透率,聚合物、表面活性剂和盐度都可以同时改变相对渗透率.为了解决这一问题,采用多层神经网络(ML-NN)技术对相对渗透率进行n维插值.利用岩心数据对模型进行了验证,并与传统的EOR方法进行对比分析.分析结果表明,本文所建的机理模型与岩心数据吻合得很好,机理模型包括低盐度水驱(LSW)、高盐度水驱(HSW)和低盐度表面活性剂驱(LSS).该模型有效地表征了复杂的地球化学过程、润湿性变化、微乳液相态变化以及在这些混合过程中发生的协同作用.研究结果表明,与常规EOR方法相比,低盐度表面活性剂驱(LSS)提高了最终采收率,降低了表面张力,是一种经济有效的混合提高采收率方法.基于最小二乘神经网络(ML-NN)算法,贝叶斯工作流可以有效地提高低盐度水驱(LSW)机理建模的历史拟合精度,降低生产预测中的不确定性.